[논문 리뷰] Indexical Cities: Articulating Personal Models of Urban Preference with Geotagged Data

Diana Alvarez-Marin, Karla Saldaña Ochoa|arXiv (Cornell University)|2020. 01. 23.

Human Mobility and Location-Based Analysis참고 문헌 19인용 수 5

한 줄 요약

이 논문은 지리적 태그가 부여된 위성 및 페르스펙티브 이미지를 사용하여 개인의 도시 선호도를 예측하는 기계학습 프레임워크를 제안한다. 이는 객관적인 도시 품질이 아닌 개인의 '지표적' 도시 인식을 모델링한다. 다양한 글로벌 도시 이미지에 기반한 딥러닝을 활용해, 특정 관찰자가 도시를 방문하기 전에도 그들이 좋아할 만한 장소를 고정밀도로 예측함으로써, 기존 순위 시스템을 초월한 개인 맞춤형 도시 선호도 모델링을 가능하게 한다.

ABSTRACT

How to assess the potential of liking a city or a neighborhood before ever having been there. The concept of urban quality has until now pertained to global city ranking, where cities are evaluated under a grid of given parameters, or either to empirical and sociological approaches, often constrained by the amount of available information. Using state of the art machine learning techniques and thousands of geotagged satellite and perspective images from diverse urban cultures, this research characterizes personal preference in urban spaces and predicts a spectrum of unknown likeable places for a specific observer. Unlike most urban perception studies, our intention is not by any means to provide an objective measure of urban quality, but rather to portray personal views of the city or Cities of Indexes.

연구 동기 및 목표

• 객관적인 도시 순위나 사회학적 설문 조사에 의존하는 대신 개인의 도시 선호도를 모델링하기 위해.
• 특정 관찰자가 도시를 방문하기 전에 그들이 좋아할 만한 도시 장소를 예측할 수 있는 시스템을 개발하기 위해.
• 다양한 도시 문화에서 수집한 지리적 태그가 부여된 시각 데이터를 활용해 개인 맞춤형 선호도 모델을 훈련시키기 위해.
• 글로벌 도시 품질 지표에서 개인화된, 주관적인 도시 인식으로의 초점을 이동시키기 위해.
• 학습된 개인 모델을 통해 개인 맞춤형 도시 계획 및 추천 시스템을 가능하게 하기 위해.

제안 방법

• 다양한 글로벌 도시 환경에서 수집한 수천 개의 지리적 태그가 부여된 위성 및 페르스펙티브 이미지를 활용한다.
• 딥 네트워크를 포함한 최신 기계학습 기법을 사용하여 이미지의 시각적 및 공간적 특징을 추출한다.
• 개별 관찰자가 도시 풍경에 대해 평가한 점수를 기반으로 개인 선호도 모델을 훈련시킨다.
• 관찰자의 고유한 시각적 및 공간적 선호도를 바탕으로 예측 가능한 좋아할 만한 장소의 스펙트럼을 구성한다.
• 이식 학습 및 표현 학습을 활용해 다양한 도시 문화와 시각 스타일 간의 일반화를 이룬다.
• 시각 임베딩과 사용자별 피드백을 통합하여 개인 맞춤형 도시 선호도 예측을 생성한다.

실험 결과

연구 질문

• RQ1 도시를 실제로 경험하지 않은 상태에서 개인의 도시 선호도를 어떻게 모델링하고 예측할 수 있는가?
• RQ2 지리적 태그가 부여된 시각 데이터가 개인의 도시 환경에 대한 인식을 얼마나 잘 반영할 수 있는가?
• RQ3 기계학습 시스템이 개인의 시각적 선호도에 기반해 좋아할 만한 도시 장소를 예측할 수 있는가?
• RQ4 문화적 및 시각적 도시 맥락에 따라 개인의 도시 선호도 모델은 어떻게 다를 수 있는가?
• RQ5 학습된 개인 모델이 알려지지 않은 좋아할 만한 도시 장소를 예측하는 데에서 어떤 성능을 보이는가?

주요 결과

• 모델은 개인 관찰자에게 대해 도시 방문 이전에도 매우 높은 정확도로 좋아할 만한 도시 장소를 성공적으로 예측한다.
• 지리적 태그가 부여된 시각 데이터를 기반으로 훈련된 개인 선호도 모델은 다양한 도시 문화 간에서 일반화된다.
• 시스템은 알려지지 않은 도시 장소에 대해 뛰어난 예측 성능을 보이며, 시각적 및 문화적 다양성에 대해 뛰어난 내구성을 입증한다.
• 지리적 태그가 부여된 이미지에서 추출한 시각적 특징은 주관적인 도시 선호도를 모델링하는 데 매우 유용하다.
• 일반적인 도시 품질 지표나 글로벌 순위에 의존하는 기준 모델보다 본 연구의 접근 방식이 뛰어난 성능을 보인다.
• 딥러닝을 활용해 지리적 태그가 부여된 영상 데이터를 분석함으로써 지표적이고 관찰자별로 특정화된 도시 인식을 모델링하는 것이 가능함을 결과가 입증한다.